神经病理性疾病作为一类极难治愈的疾病,每年威胁着成百上千人的生命健康安全,据研究表明,自闭症与婴儿在出生期脑部发育情况相关,因此,早期的婴儿脑部影像分析可为早期资料提供宝贵参考信息。核磁共振影像技术因具有非侵入性、非损伤性、高对比度等特点,被广泛的应用于临床诊断。然而,由于处于生长发育时期婴儿的脑MR图像组织间对比度低,传统的分割方法难以获得精确的结果。深度学习方法因其鲁棒性高、分析效率高等优点被广泛应用于图像分割。然而,由于医学影像,特别是婴儿脑MR影像分析精度要求高,传统的深度学习方法很难满足实际应用。针对传统深度学习方法精度不高的缺点,本文提出了两种全卷积网络模型,具体研究内容如下:(1)针对U-Net对图像分割的细节过度丢失的问题,提出一种将残差连接、密集连接与U-Net模型相结合的深度学习模型。模型由两类模块组成,其中,残差模块可以缓解梯度消失、优化训练,密集模块可以加强特征传播,U-Net框架可以实现端到端对像素点的分割。三者相辅相成以提高分割精度。(2)针对多模态婴儿脑MR图像的特点,在U-Net的基础上提出一种将多输入、残差连接和多尺度卷积相结合的深度学习模型。模型中,多输入的结构可以多方位地提取特征;残差多尺度模块可以缓解梯度消失、提取更丰富的特征;融合模块加强了对浅层特征的利用。在后续实验中,2.5D输入进一步提升了模型的性能,成人脑MR图像的分割表现验证了模型在单模态数据上的适用性。最后,通过图像分割相关损失函数的对比实验来说明交叉熵作为本模型损失函数的合理性。通过对临床婴儿脑MR图像的分割结果对比,本文所提出两种方法在细长结构和不规则边界分割上都取得更为精确的结果。文章从可视化和量化两种角度分析并验证了这两种方法的有效性。